无线感知技术是对无线信号在空间传播过程中遭受的扰动进行检测和处理,从而感知环境信息的技术,在定位导航、辅助通信和人机交互领域占有重要地位,备受关注。随着宽带WIFI的普及以及先进体制雷达技术的不断革新,基于无线感知的人体行为识别在细粒度信号检测和感知优化算法的研究成为热点。本文围绕人体行为识别问题,一是利用宽带WIFI设备实现人体行为的识别,二是利用FMCW毫米波雷达实现手势行为的识别,展开了相应的研究,具体内容如下:1、基于CSI的室内人体行为识别方法针对CSI信号特征提取不充分的问题,提出一种新的基于WIFI-CSI的人体行为识别方法,利用细粒度的CSI信号里包含的人体行为特征对行为进行分类。首先结合小波降噪和平滑降噪对CSI数据进行降噪预处理,提取运动数据区间以减少冗余数据,融合信号中“三域”特征（统计特征、信号特征和图像特征）得到表征相应行为的特征矩阵,最后将特征送入机器学习模型中的SVM中实现了10种行为识别。在暗室和实验室两个实验场景下的识别精度分别达到了98%和92.5%,证明该方法受多径效应影响较小,具有较强的鲁棒性。2、基于2C-PCNN的毫米波雷达手势识别方法针对信号特征挖掘不足,识别模型复杂度高且实时性效果不好的缺点,提出了一种新的基于2C-PCNN的毫米波雷达手势识别方法。通过相量求和的方法对信号进行预处理,去除静态杂波,使动态的手势目标得到凸显,接着将2D-FFT和CS-OMP算法结合,获取目标的距离、速度和角度特征,作为输入矩阵1,经过数据压缩处理的雷达原始数据作为输入矩阵2,设计一个双通道特征提取模型2CPCNN,更深入地提取两个输入矩阵中信号的特征并对其进行分类,分别在走廊和实验室两种场景下采集10种手势行为数据来验证该方法的性能,最终实现了98.8%和97.2%的识别精度。该方法在保障识别精度的前提下有较低的模型空间复杂度（Params）和时间复杂度（FLOPs）,并且有较高的实时性。